論文の概要: Probabilistic Integration of Object Level Annotations in Chest X-ray Classification

• arxiv url: http://arxiv.org/abs/2210.06980v1
• Date: Thu, 13 Oct 2022 12:53:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 16:24:50.319243
• Title: Probabilistic Integration of Object Level Annotations in Chest X-ray Classification
• Title（参考訳）: 胸部X線分類におけるオブジェクトレベルアノテーションの確率的統合
• Authors: Tom van Sonsbeek, Xiantong Zhen, Dwarikanath Mahapatra, Marcel Worring
• Abstract要約: 胸部X線画像における疾患分類のための新しい確率潜在変数モデルを提案する。 グローバルデータセット機能は、モデルの下位層で学習される。 詳細な専門的なオブジェクトレベルのアノテーションの具体的な詳細とニュアンスは、最終レイヤで学習されます。
• 参考スコア（独自算出の注目度）: 37.99281019411076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image datasets and their annotations are not growing as fast as their equivalents in the general domain. This makes translation from the newest, more data-intensive methods that have made a large impact on the vision field increasingly more difficult and less efficient. In this paper, we propose a new probabilistic latent variable model for disease classification in chest X-ray images. Specifically we consider chest X-ray datasets that contain global disease labels, and for a smaller subset contain object level expert annotations in the form of eye gaze patterns and disease bounding boxes. We propose a two-stage optimization algorithm which is able to handle these different label granularities through a single training pipeline in a two-stage manner. In our pipeline global dataset features are learned in the lower level layers of the model. The specific details and nuances in the fine-grained expert object-level annotations are learned in the final layers of the model using a knowledge distillation method inspired by conditional variational inference. Subsequently, model weights are frozen to guide this learning process and prevent overfitting on the smaller richly annotated data subsets. The proposed method yields consistent classification improvement across different backbones on the common benchmark datasets Chest X-ray14 and MIMIC-CXR. This shows how two-stage learning of labels from coarse to fine-grained, in particular with object level annotations, is an effective method for more optimal annotation usage.
• Abstract（参考訳）: 医用画像データセットとそのアノテーションは、一般的なドメインで同等の速度で成長していません。 これにより、最新のデータ集約型メソッドからの翻訳が、視覚分野に大きな影響を与え、ますます難しくなり、効率が低下しています。 本稿では,胸部X線画像における疾患分類のための新しい確率潜在変数モデルを提案する。 具体的には,大域的な疾患ラベルを含む胸部x線データセットを検討し,小部分については視線パターンと疾患境界ボックスの形でオブジェクトレベルの専門家アノテーションを含む。 そこで本研究では,これらの異なるラベルの粒度を,単一のトレーニングパイプラインで2段階的に処理できる2段階最適化アルゴリズムを提案する。 私たちのパイプラインでは、グローバルデータセット機能はモデルの下位層で学習されます。 モデルの最終層では,条件付き変分推論にインスパイアされた知識蒸留法を用いて,詳細なオブジェクトレベルのアノテーションの詳細とニュアンスを学習する。 その後、モデルウェイトは凍結され、この学習プロセスをガイドし、より小さな注釈付きデータサブセットへの過度な適合を防止する。 提案手法は,共通ベンチマークデータセットの胸部x-ray14とmuse-cxrの異なるバックボーン間で一貫した分類改善を実現する。 これは、粗粒から細粒度までのラベルの2段階学習、特にオブジェクトレベルのアノテーションが、より最適なアノテーションの使用に有効な方法であることを示す。

関連論文リスト

• Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: a data-driven approach for improved classification [0.6144680854063935]
  胸部X線(CXR)画像解析では、通常、ルールベースのシステムはデータセットリリースのレポートからラベルを抽出するために使用される。 本稿では,局所的に実行可能なLarge Language Model (LLM) を利用して,発見ラベルの抽出と拡張を行う新しいアプローチであるMAPLEZを提案する。
  論文  参考訳（メタデータ） (2024-03-06T20:10:41Z)
• A Self Supervised StyleGAN for Image Annotation and Classification with Extremely Limited Labels [35.43549147657739]
  画像アノテーションと分類のための自己教師型アプローチであるSS-StyleGANを提案する。 提案手法は,50と10の小さなラベル付きデータセットを用いて,強力な分類結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-12-26T09:46:50Z)
• Diffusion-Based Hierarchical Multi-Label Object Detection to Analyze Panoramic Dental X-rays [1.2239764810898268]
  歯列の列挙と関連する診断を同時に行うことで,問題のある歯を識別するエンド・ツー・エンド・エンド・モデルを開発した。 これら3つの階層を共同で学習するために,拡散に基づく新しい階層型多ラベルオブジェクト検出フレームワークを導入する。 実験結果から,本手法は最先端の物体検出法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-11T21:31:54Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Weakly-supervised segmentation using inherently-explainable classification models and their application to brain tumour classification [0.46873264197900916]
  本稿では,これら2つの問題に1つとして対処するために,本質的に説明可能な3つの分類法を提案する。 モデルは2つの異なるデータセットを用いたマルチクラス脳腫瘍分類のタスクに採用された。 得られた腫瘍のみの画像のサブセットの精度は、最先端のグリオーマ腫瘍グレーディングバイナリ分類器を98.7%の精度で上回った。
  論文  参考訳（メタデータ） (2022-06-10T14:44:05Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。